Machine Learning / AI

Nezáleží vám na tom, že by ste sa pokúsili absolvovať pohovor s AI?

Aká je pre vás minimálna a pohodlná úroveň príjmu v rubloch?

Aké máte vysokoškolské vzdelanie a odbor štúdia?

Prečo teraz zvažujete novú ponuku?

Ako presne BatchNorm využíva uložené štatistiky v režime `eval()` a prečo je to dôležité pre stabilitu výsledkov?

Ako by ste vizualizovali odchýlky v tématických hodnoteniach, aby ste pochopili, ako veľmi ovplyvňujú celkový obraz?

Máte otázky týkajúce sa podmienok spolupráce?

Praktická úloha Kontrola LLM v PyTorch dáva pri dvoch spusteniach rôzne výsledky. Ktoré riešenie je zrelšie? - Aktivujte eval() a porovnajte výsledky znova. - Zvýšte veľkosť testovacieho setu. - Opakujte spustenie a vyberte najlepší výsledok. - Prepnite na TensorFlow bez analýzy príčiny. - Fixujte seed a považujte problém za vyriešený. - Skontrolujte eval(), no_grad(), seed, DataLoader a deterministické CUDA operácie.

Povedzte nám, ako sa vám páčil formát pohovoru: čo sa vám páčilo a čo by ste chceli zlepšiť?

Praktická úloha Umělá inteligence vygenerovala kód pro rozhodnutí o vydání nového LLM. Proveďte revizi: upravte ho tak, aby editor mohl porovnat kvalitu verzí podle tematických segmentů, vidět rozptyl hodnocení a zaznamenat riziko zhoršení na malé skupině dat. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Kvalita modelů') plt.ylabel('Průměrné hodnocení') plt.show() print('Nejlepší verze:', summary.idxmax()) --- import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') stats = ( scores.groupby(["topic", "model_version"])["score"] .agg(["mean", "std", "count"]) .reset_index() ) print(stats) for topic, group in scores.groupby("topic"): group.boxplot(column="score", by="model_version") plt.title(f"Téma: {topic}") plt.suptitle("") plt.ylabel("Hodnocení") plt.show() small_groups = stats[stats["count"] < 30] print("Malé skupiny - závěry nejsou spolehlivé:") print(small_groups)

Praktická úloha Umelá inteligencia vygenerovala kód na rozhodnutie o vydaní nového LLM. Urobte revíziu: upravte ho tak, aby editor mohol porovnať kvalitu verzií podľa tematických segmentov, vidieť rozptyl hodnotení a zaznamenať riziko zhoršenia na malej skupine dát. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Kvalita modelov') plt.ylabel('Priemerné hodnotenie') plt.show() print('Najlepšia verzia:', summary.idxmax())

Uveďte príklad, ako ste identifikovali a vyriešili problém s konfliktnými príkladmi v reálnom projekte.

Ako zagotavljate izvor rezultatov eksperimenta, da bi lahko natančno razumeli, od kod izvirajo metrike?

Ste pripravení zvážiť projekty na čiastočný úväzok a kombinácie?

Ako hodnotíte svoju úroveň?

Deň pred porovnaním dvoch verzií LLM sa zistilo, že kód experimentu v vetve je prítomný, ale presná verzia dát a parametre LoRA nie sú stanovené. Čo si vyberiete ako prvý inkrement na najbližšie dva dni a čím ste ochotní vedome sa obetovať?

Ako zvyčajne spravujete verzie údajov a modelov v takýchto experimentoch?

Existujú aktuálne pohovory vo veľkých technologických spoločnostiach, ako je Yandex alebo Alfa?

Praktická úloha Aký súbor artefaktov umožňuje spravodlivé porovnanie dvoch spustení LoRA? - Len konečná tabuľka kvality. - Commit s kódom a snímkou obrazovky konečnej metriky. - Kód a konfiguračný súbor experimentu. - Kód, hash dát, základný model, konfigurácia LoRA, závislosti a príkaz na spustenie. - Len odkaz na vetvu Git. - Kód, parametre LoRA, verzia základného modelu a závislosti.

Praktická úloha Priemerné hodnotenie novej LLM vzrástlo, ale redaktori si sťažujú na finančné odpovede. Ktorý graf najlepšie podporí rozhodnutie o vydaní? Hlavný ukazovateľ priemerného hodnotenia. Stĺpce s priemerným hodnotením všetkých tém. Krabice s fúzmi podľa tém a verzií modelu. Tabuľka priemerných hodnotení podľa tém. Slovná obloha z nových odpovedí. Rozdelenia hodnotení podľa verzií a tém s veľkosťou každej skupiny.